AI向實，一種更難復制的競爭邏輯

2025年底，AI技術大會正在變成一種“企業標配”。炫酷的技術名詞與激動人心的話語，讓人不禁對AI這個“超級工具”加持的未來抱有相當的期待與向往。

但先別高興得太早。翻一翻歷史便會發現：每一種深刻改變世界運行方式的通用技術，都會走向同一個規律——它會創造大量價值，卻很少自動把價值變成某一家公司的長期優勢。蒸汽機、電力、電腦、互聯網莫不如此：當它們普及之后，大家都會用上，于是勝負手從“你有沒有”變成“你本來是誰”。

在12月11日TCL于廣州舉辦的2025全球技術創新大會上，大會主題“AI for Real（AI向實）”，更像是TCL在回答這個靈魂追問：當AI成為標配，我們靠什么贏？

TCL把答案拉回到企業技術應用最根本的三件事：

1、是否擁有真實且持續的需求來源；

2、是否擁有把方案落地為穩定成果的能力；

3、是否擁有能長期迭代、持續糾錯的組織機制。

換句話說，AI把“門檻”降低了，但把“本質”推到了臺前。TCL創始人、董事長李東生在開場致辭中表示，TCL要做的是讓AI真正落到產品、技術與產業里，創造實實在在的價值。

“下一波AI浪潮是物理AI”，這是黃仁勛給出的判斷。作為深耕制造業40余年，年營收超3000億元，通過TCL科技與TCL實業布局智能終端、半導體顯示、新能源光伏三大產業的企業，TCL的業務分布廣、鏈條縱深長，這并不天然等于優勢，但它確實意味著：一旦AI能在這些鏈條里跑通并沉淀下來，便能通過實體經濟對個體的工作與生活產生影響，跳出參數與模型的內卷，這更有可能形成一種更根本、更難被復制的競爭邏輯。

兩類真實場景

讓TCL更像“AI放大鏡受益者”

很多企業談AI時，會不自覺地走向“工具崇拜”，可管理者都知道，工具從來不負責結果。再好的工具，如果沒有合適的場景、用法與協作方式，最后都可能只留下一堆“看上去很先進”的痕跡。

這也解釋了為什么TCL在談AI時，總喜歡把話題拉回“場景”和“價值”。聽上去不性感，卻非常關鍵——因為只有在真實場景里，AI才會得到驗證、遇到邊界、獲得反饋，才談得上判斷其價值。

TCL恰好有兩個能提供反饋的場域：一個是C端產品的用戶使用日常，另一個B端的制造與研發體系。

C端：用戶學習 vs. 學習用戶

TCL實業首席技術官孫力這樣解釋TCL智能終端的AI邏輯：“AI for Real的核心是‘不為做AI而做AI’，而是要找到用戶的真實痛點和需求，與產品深度契合?！?/p>

TCL希望AI與產品的結合能解決用戶當下最真實的麻煩與不爽。落到C端，它更像一組很創新、很具體、很生活化的改進：

在娛樂場景里，TCL的電視屏顯技術已是全球領先，但受線上視頻帶寬限制與片源老舊的影響，真實觀看時畫質往往跟不上。把AI增強畫質與音質做進體驗鏈條后，用戶更容易把“好屏幕”用出該有的效果。

在居住場景里，以能耗大戶空調為例，通過AI更智能的控制策略，空調在開機初期能節省40%的電力，穩定運行后還能進一步優化能耗。AI還圍繞睡眠與舒適的體驗邏輯進行了產品升級：毫米波雷達根據人的狀態自動微調風感與溫度，盡量減少夜晚被冷醒/熱醒的不適；白天則面向健康空氣管理，以負氧離子清新室內呼吸環境。交互上，AI理解指令的能力也得到提升，用戶不必再苦思冥想“機器話術”，一句日常表達的“有點熱”，空調能精準響應為“調低溫度”。在洗衣時，洗衣機的智慧洗功能會自動感知衣物材質并調整參數，用戶洗衣將從“我來選模式”進化到“我只要把衣服扔進去”。

雷鳥眼鏡、AiMe則是兩個令人非常驚喜的創新產品，令AI開始融入更廣泛的生活場景中：雷鳥眼鏡與阿里通義定制化合作，把實時問答、識別理解與多語種翻譯（字幕/拍照翻譯）做進眼鏡，增強跨國交流便捷度。分體式AI陪伴機器人AiMe則隱藏在可愛的仿生外觀之中，讓自然交互與擬人化表達的陪伴“更有溫度”。

這些例子共同指向一點：AI在C端最有意義的地方，不是把產品變得“更聰明”，而是把產品變得“更體貼”——你不必去“學會新工具”，而是讓工具更懂你怎么生活。用戶使用過程中的小摩擦、小偏好、小誤解、小驚喜，恰恰是最好的訓練場，它們不斷把AI拉回生活本身。TCL科技數字化負責人李冰這樣總結：“AI實際地在創造TCL的產品價值，創造更好的客戶體驗，這正成為我們核心產品的競爭力?！?/p>

B端：全產業鏈的降本、增效與提質

如果說C端的AI更像“把體驗做得更懂人”，那B端的AI更像“讓系統更會照看自己”。

在TCL華星的制造產線，你能很直觀地看見這種變化。產線設備會隨著時間出現波動，過去的處理方式很熟悉：人工抽檢、導出數據、用表格算、再把新參數手動輸回機臺。工作不難，但特別吃人——過去在華星每天有三四百人專職負責這一基礎工作，而且很多時候“發現問題”與“真正解決”之間隔著時間和流程?，F在，在TCL華星開發的垂域大模型——星智大模型的支持下，產線管控更像一種自動閉環：檢測數據一出來，系統就自動算、自動判斷機臺能力是否偏移，然后把參數“補回去”。

這件事聽起來簡單，但意義不小：它把“人盯數據”變成“系統自我糾偏”，把靠經驗的反應，變成可復制的日常動作。作為TCL旗下的顯示面板制造企業，TCL華星并不是傳統意義的“裝配廠”，而是一個負責OLED、MLED以及LCD等高端顯示產品研發與量產的精密制造系統——工藝、設備、品質和交付的每個環節都決定著最終的屏幕質量與成本結構。也正因為這樣，這里發生的AI落地，不太可能是“好看就行”，隨著星智大模型迭代到3.0版本，其產品問題解析效率已提升20%，材料開發效率提升30%。

本次大會圓桌嘉賓姚卯青（智元合伙人、高級副總裁、具身業務部總裁）把這種“嚴肅性”說得很直接：如果AI在工業場景達不到人工節拍和足夠高的成功率，就很難融入生產系統。也正因為難，B端一旦跑通，含金量會非常高——它意味著AI成為組織能力的一部分：更早發現問題、更快定位原因、更快復盤、更快改進；并且這些改變不是一次性的“省點成本”，而是慢慢長成一種新的運行習慣。

在制造端這樣的案例還有很多：在TCL華星t4工廠OLED屏幕量產環節，系統可以自動進行缺陷分類，再給出針對性的處理策略，產生的直接效益超過2.48億元；在印刷OLED顯示產線，AI讓產線切換地更順、波動更小，效率提升數倍，批次不良率從70.3%降到4.17%。

從這些我們可以看出，TCL的AI應用在B端已經沿著全產業鏈條鋪開，驅動制造、研發、供應鏈，運營等環節持續革新，把“降本、增效與提質”變成一套可復用的日常能力。數據顯示，2025年一年，落實AI應用為TCL創造的綜合效益就達到了10億元。

組織化推進

走好AI應用的“最后一公里”

很多公司做AI，最尷尬的時刻不是“做不出來”，而是“做出來了，用不起來”：業務部門覺得不貼合日常；技術團隊覺得需求總在變；AI上線之后更是沒人做維護。這就是AI的最后一公里：它離業務很近，但離真正落地仍差一步。而這一步，靠的往往不是再換一個工具，而是組織機制：誰來牽頭？誰來對接？誰來把一次次試點沉淀成可復用的方法？說到底，實現更多一線的人“會用、敢用、用得久”，AI才會真正融入組織能力。

閆曉林博士（TCL科技首席技術官、TCL華星首席技術官、TCL工業研究院院長）將TCL的AI成功歸功于算法團隊與研發、制造等業務團隊形成了緊密耦合的合作關系。

這種“最后一公里”的組織設計，體現在TCL的“共創機制”中，比如星智大模型3.0，通過把顯示研發與制造的知識入口統一起來，便于跨團隊的復用與迭代。再比如格創東智，作為TCL專注于工業軟件與工業智能解決方案的公司，近年來格創東智與TCL工研院、TCL華星等產業單位已經落地150個AI項目，覆蓋品質管理、設備管理、能碳管理、場內場外物流一體化等更深水的場景。這種合作的價值不只是“多做幾個案例”，而是形成技術應用的方法論與平臺能力，讓AI更容易從試點走向規模化。

更能說明“組織化推進”的，其實是閆曉林博士談及的，橫跨全球與本地的人才培養計劃：TCL將從東歐等地引進一支約50名頂尖人才的跨國團隊到國內工作，與國內（或者改為本地）的研發力量協同攻關垂域多模態大模型。在一線業務中，TCL希望培養三千名對AI有基礎認知的年輕員工——那些對新技術充滿熱情、“眼里有光”的銷售、制造、研發等崗位的年輕人，能和專業AI團隊形成協同，把AI用進工作里、融入流程中。

當這種“基礎認知”在TCL全面鋪開，AI便會真正滲透進業務的毛細血管中。這時AI已經不再是某個部門的項目，而是一種可以被更多業務人員使用、并持續迭代的協作方式。

通用技術終將機會均等。AI遲早會成為每家公司桌面上的默認工具，但它也會更殘酷地篩選：你是否有真實場景來馴化它？是否有組織能力讓它持續運轉？是否愿意長期投入把試點變成體系？

TCL的“向實”，至少給出了一套可檢驗的路徑：

?C端用真實體驗打磨AI的“同理心”；

?B端用嚴肅場景逼AI長出“可靠性”；

?組織端用“毛細血管式滲透”降低協作摩擦，把AI推入系統能力。

中國工程院丁文華院士在圓桌上對“向實”的解釋很樸素：關鍵是讓AI真正用到“有實際價值的地方”。這句話放在今天尤其像一句校準。也因此，AI更像一面放大鏡：它不會自動把每家公司都推向成功，卻會把“本來就有價值的公司”推得更遠。

廖琦菁 | 文

聯系方式

投稿、廣告、內容和商務合作

newmedia@hbrchina.org